曹偉華 南剛強 陳明軒 程叢蘭 楊 璐 吳劍坤 宋林燁 劉瑞婷

北京城市氣象研究院，北京，100089

北京城市氣象工程技術(shù)研究中心，北京，100089

Institute of Urban Meteorology，China Meteorological Administration，Beijing 100089，China Beijing Urban Meteorological Engineering Research Center，Beijing 100089，China

1 引 言

降水臨近預報對城市內(nèi)澇和山洪地質(zhì)災害預警及應急響應至關(guān)重要。傳統(tǒng)降水臨近預報方法主要是基于雷達回波的外推預報，其中基于雷暴單體追蹤的外推預報和基于區(qū)域追蹤的外推預報是應用最廣的兩種方法?；诶妆﹩误w追蹤的外推預報主要針對對流性降水，能夠給出雷暴單體演變的特征信息，代表性算法有TITAN、SCIT（Dixon，et al，1993；Johnson，et al，1998）。基于區(qū)域追蹤的外推預報，是在假設滿足拉格朗日守恒的條件下，通過追蹤雷達前面連續(xù)時刻移動矢量進而對未來短時間的演變進行外推預報，主要有基于交叉相關(guān)的追蹤算法（Tracking Radar Echoes by Correlation，TREC）（Rinehart，et al，1978；Li，et al，1995）、半拉格朗日外推算法（Staniforth，et al，1991；Germann，et al，2002）。盡管這些外推預報技術(shù)已在多國業(yè)務系統(tǒng)中得到應用（Mueller，et al，2003；陳明軒等，2010；Haiden，et al，2011），但由于方法仍存在局限，其外推預報的能力隨預報時效延長會迅速下降，且對于非平流性降水的預報效果要弱于平流性降水，尤其是針對非平流導致的局地雷暴生長和消亡過程，其預報能力存在明顯不足（Wilson，et al，1998）等。另外，一些新的技術(shù)方法，比如統(tǒng)計、外推預報與數(shù)值預報融合技術(shù)、傳統(tǒng)機器學習等也逐漸在降水臨近預報中開始應用（Sokol，et al，2013；Sun，et al，2014；Chen，et al，2017；Han，et al，2017）。但由于精細尺度降水本身包含復雜的非線性過程，并且非平流降水的生消演變問題也仍然是預報的難點，因此目前這些傳統(tǒng)的方法對非平流性降水的臨近預報也存在諸多困難。

近年來，人工智能技術(shù)迎來第三次發(fā)展浪潮，深度學習作為新興方法被引入氣象領(lǐng)域（Shi，et al，2015；孫健等，2021）。深度學習是一種深層的機器學習模型，對于挖掘數(shù)據(jù)內(nèi)部特征及物理規(guī)律更有優(yōu)勢，而且在高時空分辨率雷達圖像臨近預報方面已初見成效。Shi 等（2015）首次提出使用卷積長短期記憶網(wǎng)絡（ConvLSTM）做香港地區(qū)降水臨近預報，試驗證實其臨近預報效果優(yōu)于傳統(tǒng)光流法。Chen 等（2020）通過改進ConvLSTM 模型在上海及周邊地區(qū)雷達回波預測中取得較好效果。Ayzel 等（2019，2020）研究提出的全卷積神經(jīng)網(wǎng)絡模型（DozhdyaNet）及RainNet 網(wǎng)絡模型對雷達回波臨近預報比光流法預報更優(yōu)。郭瀚陽等（2019）應用改進的循環(huán)神經(jīng)網(wǎng)絡（GRU）對京津冀地區(qū)1 h 雷達回波演變特征的預測表明，其預報評分高于傳統(tǒng)的臨近預報方法。韓豐等（2019）采用循環(huán)神經(jīng)網(wǎng)絡進行1 h 雷達反射率臨近預報試驗表明，其對反射率強度變化有一定預報能力。以上研究表明，深度學習方法在多個地區(qū)的雷達回波臨近預報方面已初步表現(xiàn)出一定的應用潛力。

京津冀地區(qū)北靠燕山山脈，西倚太行山，地形復雜，對流旺盛。目前，北京市氣象局研發(fā)的快速更新多尺度分析和預報系統(tǒng)之集成子系統(tǒng)（RMAPSIN）已實現(xiàn)京津冀地區(qū)高時空分辨率三維網(wǎng)格氣象要素客觀分析和0—12 h 地面要素及降水的業(yè)務快速更新預報。然而其對于降水的臨近預報依然是假設在滿足拉格朗日守恒條件下，采用交叉相關(guān)方法基于前面連續(xù)時刻降水分析場的演變規(guī)律進行傳統(tǒng)的外推預報（程叢蘭等，2019；曹偉華等，2019），因而該業(yè)務系統(tǒng)對非平流（如熱對流）導致的局地降水生消演變過程的臨近預報能力還比較有限。為進一步提升京津冀地區(qū)強降水臨近預報能力，本研究引入滾動式的深度學習RainNet 模型，研究建立兩種滾動預報方式，通過與傳統(tǒng)外推預報方法進行對比，分析了深度學習RainNet 模型在京津冀地區(qū)精細尺度降水臨近預報中的性能。

2 數(shù) 據(jù)

研究數(shù)據(jù)采用2017—2020 年6—9 月1 km 分辨率逐10 min 間隔的10 min 累積降水分析場，覆蓋京津冀地區(qū)581 km×511 km。降水分析場是根據(jù)京津冀地區(qū)8 部新一代天氣雷達（北京、天津、石家莊、秦皇島、滄州、邯鄲S 波段及張北和承德C 波段雷達）拼圖的反射率（圖1），通過采用本地化的ZR關(guān)系（陳明軒等，2010）計算獲得雷達定量降水估計，并進一步融合京津冀地區(qū)3000 余個自動氣象站雨量計降水觀測資料生成降水分析場，該資料時空分辨率高、質(zhì)量穩(wěn)定，在業(yè)務中有很好的應用效果。

圖1 京津冀地區(qū)地形海拔高度 （單位：m） 及8 部天氣雷達位置 （“+”表示）Fig.1 Surface elevation （unit：m） around the study area in contiguous North China and the eight radar sites of the operational China Next Generation Weather Radar network are displayed （+ symbols）

通過對原始降水分析場進行整理獲得深度學習模型的數(shù)據(jù)集，如表1 所示，將576 km×496 km范圍作為降水臨近預報試驗的研究區(qū)域（圖2）。采用2017—2019 年6—9 月的降水分析場作為深度學習網(wǎng)絡模型訓練集，用于訓練和優(yōu)化深度學習網(wǎng)絡模型；采用2020 年6—9 月的降水分析場作為獨立樣本測試集，用于檢驗深度學習模型的預報性能，其中，剔除了無降水的樣本防止非降水數(shù)據(jù)對模型訓練的影響。數(shù)據(jù)進行標準化轉(zhuǎn)換是深度學習的常見做法，對原始降水數(shù)據(jù)X進行對數(shù)變換獲得標準化數(shù)據(jù)Xnor

圖2 研究區(qū)域范圍 （虛線矩形框為原始降水分析場的覆蓋范圍581 km×511 km，實線矩形為裁剪后研究范圍576 km×496 km）Fig.2 Study domain （the dotted rectangle is the domain of 581 km×511 km for original precipitation analysis，the rectangle within the solid line is the final study domain of 576 km×496 km）

表1 模型數(shù)據(jù)集信息Table 1 Main parameters of the datasets

3 方 法

3.1 深度學習RainNet 模型

圖3 給出京津冀地區(qū)降水臨近預報的深度學習RainNet 模型的網(wǎng)絡結(jié)構(gòu)，該模型是在U-Net 和SegNet 模 型 基 礎(chǔ) 上 進 行 改 進 設 計（Ayzel，et al，2020）。整個RainNet 模型分為編碼和解碼兩部分，編碼器通過卷積-池化操作來學習輸入數(shù)據(jù)的特征并逐步縮小其空間分辨率，解碼器通過上采樣方式將學習到的特征逐步放大到更高的空間分辨率，并附加卷積層進一步深化特征的提取。每個編碼器和解碼器之間存在跳躍連接，以保證不同特征之間的語義連接。RainNet 模型是一個全卷積網(wǎng)絡，包括20 個卷積層、4 個池化層、4 個上采樣層和4 個跳躍連接層，并在最后兩個編碼器中加入Dropout層以降低過擬合進而提升模型的泛化能力。卷積層中統(tǒng)一使用3×3 的卷積核，這是因為較大的卷積核會導致過擬合和增加模型預測的不確定性。RainNet 模型的編碼部分包含4 次2×2 最大池化，故輸入數(shù)據(jù)的大小必須為16 的整數(shù)倍，因此將原始降水數(shù)據(jù)處理成576 km×496 km 大小作為模型的輸入數(shù)據(jù)（圖2）。

圖3 深度學習網(wǎng)絡模型的結(jié)構(gòu)Fig.3 Illustration of the RainNet architecture

RainNet 模型通過10 min 降水分析場進行未來10—60 min 滾動式臨近預報的關(guān)鍵是進行模型訓練和優(yōu)化，其過程為：首先針對訓練集數(shù)據(jù)讀取3 個連續(xù)時刻（t?20、t?10、t）的降水分析場作為模型的輸入，采用未來某一時刻的降水分析場作為模型真值，進而根據(jù)模型降水輸入數(shù)據(jù)進行降水預測；進一步，計算損失函數(shù)以刻畫模型預測與真值間的偏離程度；最后使用Adam 優(yōu)化器通過反向傳播算法來優(yōu)化網(wǎng)絡參數(shù)（Kingma，et al，2015）。模型的損失函數(shù)使用降水預測偏差的雙曲余弦的對數(shù)（Log-Cosh 函數(shù)），如式（2）、（3）

式中，F(xiàn)i、Oi分 別表示第i個格點的模型預測值和實際觀測值，n是降水場格點數(shù)。訓練完成后，根據(jù)優(yōu)化后的深度學習模型參數(shù)，采用測試集樣本數(shù)據(jù)3個連續(xù)時刻（t?20、t?10、t）的降水分析場作為RainNet模型的輸入，通過滾動式預報方式實現(xiàn)逐10 min 滾動更新的降水預測。

3.2 滾動式預報方式

RainNet 模型采用的滾動式預報方式是將上一個時刻的預報場作為預報下一個時刻降水場的一項輸入，該方式簡潔、預報靈活高效。以往是采用單一RainNet 模型進行連續(xù)的滾動預報（Ayzel，et al，2020）。但隨著預報時效延長，預報值作為輸入引入模型的誤差將逐漸增大，預報性能下降。為改進單一模型滾動方式的不足，提升連續(xù)滾動預報能力，將采用兩個RainNet 模型相結(jié)合的滾動預報方式，具體原理是：第1 個模型采用3 個連續(xù)時刻t?20、t?10、t的降水分析場作為模型輸入來預測t+10 min的降水，由該模型滾動2 次預報20—30 min 的降水，原理如圖4a 所示；第2 個模型同樣采用t?20、t?10、t降水分析場作為模型輸入，但預測t+40 min的降水，并由該模型滾動2 次預測50—60 min 的降水，如圖4b 所示。作為對比，單一模型對10—60 min的連續(xù)滾動預報結(jié)果將參與對比分析，具體是以t?20、t?10、t時刻降水分析場作為模型輸入連續(xù)預測t+10 min 后的降水，其連續(xù)滾動5 次預報20—60 min 的降水，如圖4c 所示。下文圖中，統(tǒng)一將兩個模型相結(jié)合的滾動預報結(jié)果記為RainNet，將單一模型預報結(jié)果記為RainNet_ori。

圖4 基于深度學習網(wǎng)絡模型的滾動式臨近預報原理示意Fig.4 Schematic diagram of rolling nowcast based on deep learning network model

3.3 傳統(tǒng)外推預報方法

基于交叉相關(guān)追蹤降水或雷達回波的移動矢量進行半拉格朗日外推是一種常用的傳統(tǒng)外推預報方法。首先，采用最近兩個時次的降水分析場（或雷達回波）通過交叉相關(guān)算法（Li，et al，1995；王改利等，2007）計算初始的降水移動矢量場，原理如圖5 所示。進一步將生成的降水移動矢量場通過與數(shù)值模式500 和700 hPa 的風場進行比較約束，過濾掉不符合實際的偽矢量，從而獲得質(zhì)量控制后的高質(zhì)量降水移動矢量場（程叢蘭等，2019；曹偉華等，2019）。最后，根據(jù)上一步質(zhì)量控制后的降水移動矢量場采用半拉格朗日平流方案（Staniforth，et al，1991）對最新觀測的降水分析場進行未來1 h 的逐10 min 外推預報。

圖5 交叉相關(guān)方法示意 （圖a、b 分別代表t、t+Δt 時刻降水場；黑色矩形框代表求交叉相關(guān)的像素點區(qū)域，r 代表搜索半徑，黑色矢量為TREC 矢量，所指向終點代表所匹配的具有最大相關(guān)系數(shù)的矩形中心）Fig.5 Schematic diagram showing the computation of the TREC （Fig.5a and Fig.5b represent precipitation analysis at time t and t+Δt respectively，r is search radius，the black vector is the TREC vector，the end point of which is the centre of the array at time t+Δt with maximum correlation coefficient）

降水外推預報方案雖對刻畫風暴物理機制存在局限（Germann，et al，2002），但由于其簡單實用，且對穩(wěn)定性降水預報可以取得較好的效果，因而已在京津冀地區(qū)臨近預報業(yè)務系統(tǒng)中得到應用。作為對比，本研究將其與深度學習模型進行對比試驗，其預報結(jié)果記為TREC。

3.4 檢驗方法

采用平均絕對誤差（MAE）衡量降水預報與降水分析（實況）的差距，采用相關(guān)系數(shù)（COR）度量降水預報與觀測的相似程度，公式如下：

式中，F(xiàn)i、Oi分別是降水預報值和降水分析值，、分別是Fi、Oi的平均值，n是有效樣本量。

同時，采用CSI 評分檢驗兩種方法對不同強度降水的預報性能（Wilks，2011），CSI 范圍為0—1，1 代表預報效果最佳，公式如下

式中，hits 代表命中次數(shù)，表示預報不小于降水閾值且實況也不小于該閾值的頻率；false alarms 代表空報次數(shù)，表示預報不小于降水閾值而實況小于該閾值的頻率；misses 代表漏報次數(shù)，表示預報小于降水閾值而實況不小于該閾值的頻率。

4 試驗檢驗

4.1 誤差空間分布

從京津冀地區(qū)2020 年6—9 月基于交叉相關(guān)外推預報和由兩個RainNet 模型相結(jié)合進行降水臨近預報在10—60 min 預報時效的絕對誤差空間分布（圖6）可以看出，RainNet 模型預報在各預報時效下的絕對誤差明顯低于交叉相關(guān)外推預報的絕對誤差，尤其是京津冀南部地區(qū)相對于降水外推預報的絕對誤差改善更加明顯?？傮w來看，相對于交叉相關(guān)外推預報，深度學習RainNet 模型對京津冀地區(qū)1 h 內(nèi)降水臨近預報誤差更小，且隨著預報時效的延長，RainNet 對絕對誤差的改進越明顯。

圖6 2020 年6—9 月的絕對誤差空間分布 （單位：mm/（10 min）；a.基于交叉相關(guān)的外推預報 （TREC） 絕對誤差，b.兩個深度學習模型相結(jié)合的滾動預報 （RainNet） 絕對誤差；下標1—6 分別表示預報時效為10、20、30、40、50、60 min）Fig.6 Spatial distributions of mean absolute error （MAE） during June to Septemper 2020 （unit：mm/（10 min）； a.TREC predictions，b.two rolling RainNet predictions；1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

從京津冀地區(qū)兩種臨近預報方法在2020 年6—9 月10— 60 min 預報時效下降水預報場與分析場的相關(guān)系數(shù)空間分布（圖7）可以看出，兩種預報方法的相關(guān)系數(shù)空間分布趨勢整體一致，呈東北—西南走向，在京津冀平原地區(qū)降水預報與實況的相關(guān)系數(shù)較大，即平原地區(qū)兩者更加接近，而在西北山區(qū)的相關(guān)系數(shù)較小。對比來看，深度學習RainNet模型在各時效的相關(guān)系數(shù)一致高于交叉相關(guān)外推預報的相關(guān)系數(shù)，而且隨著預報時效延長 RainNet模型的相關(guān)系數(shù)提升更加明顯。

續(xù)圖6Fig.6 Continued

圖7 2020 年6—9 月京津冀地區(qū)的相關(guān)系數(shù)空間分布 （a.基于交叉相關(guān)的外推預報 （TREC） 相關(guān)系數(shù)，b.兩個深度學習模型相結(jié)合滾動預報 （RainNet） 的相關(guān)系數(shù)；下標1—6 分別表示預報時效為10、20、30、40、50、60 min）Fig.7 Spatial distributions of correlation coefficient during June to September 2020 （a.TREC predictions，b.RainNet predictions；1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

4.2 誤差箱線圖及不同預報時效的預報性能

續(xù)圖7Fig.7 Continued

圖8、9 分別給出了2020 年6—9 月絕對誤差和相關(guān)系數(shù)的時間序列箱線圖，圖中黑盒子的上、下邊界和白色線分別代表絕對誤差的75%、25%、50%分位數(shù)，上須和下須分別代表了90%、10%分位數(shù)。從圖8 可以看出，在10—60 min 的各預報時效下，深度學習RainNet 模型降水預報的絕對誤差90%、75%、50%分位數(shù)明顯低于傳統(tǒng)交叉相關(guān)外推預報場對應分位數(shù)。從圖9 的相關(guān)系數(shù)來看，深度學習RainNet 降水預報場相關(guān)系數(shù)的90%、75%、50%、25%和10%分位數(shù)相比傳統(tǒng)交叉相關(guān)外推預報均有所提升。

圖8 絕對誤差的時間序列箱線圖（黑色方框的上、下邊界為75%、25%分位數(shù)，上須和下須分別是90% 和10%分位數(shù)，黑盒子中的白線和白三角分別是中位數(shù)和均值；a—f.分別是預報時效為10、20、30、40、50、60 min 的結(jié)果）Fig.8 Box plots of mean absolute error （the upper and lower of the black box are the quantiles of 75% and 25%，the upper and lower whiskers are 90% and 10% quantiles，the white line and triangle in the black box show the median and mean values，respectively；a—f.the forecast time is 10，20，30，40，50 and 60 min，respectively）

圖9 相關(guān)系數(shù)的時間序列箱線圖（黑色方框的上、下邊界為75%、25%分位數(shù)，上須和下須分別是90% 和10%分位數(shù)，黑盒子中的白線和白三角分別是中位數(shù)和均值；a—f.分別是預報時效為10、20、30、40、50、60 min 的結(jié)果）Fig.9 Box plots of correlation coefficient （the upper and lower of the black box are the quantiles of 75% and 25%，the upper and lower whiskers are 90% and 10% quantiles，the white line and triangle in the black box show the median and mean values，respectively；a—f.the forecast time is 10，20，30，40，50 and 60 min，respectively）

圖10 給出了2020 年6—9 月降水預報與實況的相關(guān)系數(shù)和絕對誤差隨著預報時效的變化曲線，圖中RainNet 表示由兩個深度學習模型相結(jié)合進行滾動預報（圖4a、b）的結(jié)果，RainNet_ori 表示單一深度學習模型完成60 min 的滾動預報（圖4c）結(jié)果。由相關(guān)系數(shù)（圖10a）來看，10—60 min 各預報時效下，深度學習預報的相關(guān)系數(shù)均明顯高于交叉相關(guān)外推預報，且兩個深度學習模型相結(jié)合進行滾動預報與實況的相關(guān)關(guān)系更好。隨著預報時效延長，深度學習相關(guān)系數(shù)的提升幅度逐漸增加，在10、20、30、40、50、60 min 時效下，兩個深度學習模型相結(jié)合的降水預報相比交叉相關(guān)外推預報提升幅度分別達到4.0%、8.9%、13.3%、19.6%、24.5%、27.8%。從絕對誤差（圖10b）來看，10—60 min 各預報時效深度學習的絕對誤差一致低于交叉相關(guān)外推的絕對誤差，且同樣兩個深度學習模型相結(jié)合的絕對誤差最小。隨著外推時效延長，深度學習對絕對誤差的改進幅度增大，10—60 min 兩個深度學習模型相結(jié)合的絕對誤差比交叉相關(guān)外推的絕對誤 差 分 別 降 低13.6%、 17.5%、 20.9%、 24.3%、26.3%、26.2%。通過對2020 年6—9 月降水過程整體檢驗發(fā)現(xiàn)，深度學習對降水1 h 的臨近預報性能整體優(yōu)于交叉相關(guān)外推預報性能，采用兩個深度學習模型相結(jié)合的滾動預報優(yōu)于單一模型的滾動預報。

圖10 2020 年6—9 月降水臨近預報的相關(guān)系數(shù) （a） 和絕對誤差 （b） 曲線Fig.10 Mean absolute errors （a） and correlation coefficients （b） during June to September 2020

4.3 不同強度降水的預報檢驗

為進一步了解不同強度降水的臨近預報性能，分別計算不同量級降水的CSI 評分（式（6））。結(jié)合北京24 h 暴雨藍色、黃色、橙色預警閾值，將10 min降水量檢驗閾值設定為0.02、0.49、0.69、1.04 mm，給出不同降水閾值時的評分結(jié)果（圖11），RainNet_ori為單一深度學習模型的滾動預報結(jié)果，代表改進前的RainNet 滾動預報；RainNet 為兩個深度學習模型相結(jié)合的預報結(jié)果，代表改進后的RainNet 滾動預報?？梢钥闯?，采用兩個RainNet模型相結(jié)合的滾動預報優(yōu)于單一模型的滾動預報，在40—50 min的降水預報得到明顯提升，其中0.49 mm/（10 min）閾值下，40 min 預報時效時改進前、后的CSI 評分分別為0.36 和0.40，其對應50 min預報時效改進前、后CSI 評分為0.30、0.34；0.69 mm/（10 min）閾值下，40 min 預報時效改進前、后的CSI 評分為0.31、0.35，其對應50 min 預報時效改進前、后的CSI 評分分別為0.26、0.29。可見，改進后采用兩個RainNet 模型相結(jié)合的滾動預報可以較好地改善40、50 min 時效的降水臨近預報能力，這主要是因為調(diào)整了深度學習RainNet 模型在40、50 min 的模型輸入。另外，與交叉相關(guān)外推預報相比，4 個降水閾值下，兩個RainNet 模型相結(jié)合的滾動預報方式在10—50 min 的降水預報性能均優(yōu)于交叉相關(guān)外推預報。

圖11 2020 年6—9 月不同降水閾值 （a—d） 的CSI 評分曲線Fig.11 Critical success indexes （CSI） for four different intensity thresholds （a—d） during June to September 2020

綜合來看， RainNet 模型采用滾動的預報方式隨著滾動次數(shù)增加對預報性能影響較大。由于將上一時刻的預報值作為下一時刻預報的模型輸入因子，因而隨著預報時效的延長引入模型的誤差將隨之增大，造成預報性能下降，這是其不足之處。但當模型訓練完成以后，其滾動次數(shù)可以靈活調(diào)整，且無需重新訓練優(yōu)化模型，而且RainNet 模型結(jié)構(gòu)簡潔，便于訓練。因而結(jié)合其特性，設計的兩個RainNet 模型相結(jié)合的滾動式預報方式改善了40—50 min 的降水預報性能。

4.4 個例分析

上述分析給出了降水外推預報和深度學習預報的整體檢驗，以及不同強度降水的預報性能。下面將結(jié)合降水個例分析不同模型的臨近預報表現(xiàn)。

4.4.1 2020 年7 月31 日個例

圖12 給出2020 年7 月31 日11 時20 分（世界時，下同）起報的未來10—60 min 的降水臨近預報結(jié)果及對應降水實況。

在11 時20 分由交叉相關(guān)降水外推預報顯示，未來1 h（11 時30 分—12 時20 分）京津冀南部地區(qū)有降水，降水的落區(qū)和強度與當前情況基本保持不變，降水中心的強度為5—10 mm/（10 min）；深度學習模型對未來1 h 逐10 min 的滾動預報顯示，11 時20 分—12 時20 分降水落區(qū)變化不大但降水強度呈明顯減弱的趨勢。通過與降水實況對比（圖12c）對比，交叉相關(guān)外推的降水預報場偏強（圖12a），對降水過程的減弱趨勢反映不夠明顯，而深度學習的預報結(jié)果則與實際降水強度演變趨勢更吻合（圖12b）。整體來看，深度學習模型能夠更好地體現(xiàn)1 h 內(nèi)逐10 min 降水強度隨時間的演變特征。

圖12 2020 年7 月31 日11 時20 分起報10—60 min （a1—a6、b1—b6） 降水臨近預報結(jié)果及降水實況（c1—c6） （a.交叉相關(guān)外推預報，b.深度學習RainNet 預報，c.相應時間的降水實況）Fig.12 Predictions of TREC （a1—a6） and RainNet （b1—b6） as well as corresponding observations （c1—c6） at 11：20 UTC 31 July 2020 （1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

4.4.2 2020 年8 月1 日個例

續(xù)圖12Fig.12 Continued

圖13 給 出2020 年8 月1 日13 時50 分 起 報 的未來10—60 min 降水臨近預報結(jié)果及對應的降水實況。兩種方法在13 時50 分均預報未來1 h（14 時00—50 分）京津冀南部將有明顯的降水過程。從降水范圍預報來看，小量級降水（0.2 mm/（10 min））的預報范圍兩者基本一致，基于交叉相關(guān)外推預報對2—5 mm/（10 min）量級降水（圖中淺黃色）的預報范圍比實際略偏大（圖13a、c），而深度學習對2—5 mm/（10 min）降水范圍預報結(jié)果與實況更加接近（圖13b、c）。從降水的移動發(fā)展趨勢來看，逐10 min 交叉相關(guān)外推預報顯示出14 時00—50 分雨帶將逐漸向東北方向發(fā)展移動，而降水強度在未來1 h 基本維持不變；但深度學習逐10 min預報顯示14 時00—50 分雨帶整體將偏向東南方向移動，而降水強度呈逐漸減弱的趨勢（圖13b），這與實況降水的時空演變（圖13c1—c6）更吻合?？梢钥闯觯疃葘W習可以更好地反映降水衰減過程的發(fā)展方向、強度變化和降水范圍。但相比傳統(tǒng)交叉相關(guān)外推預報，深度學習的降水預報場比較平滑，這主要是由于深度學習模型基于卷積運算產(chǎn)生了平滑效應。總體來看，深度學習RainNet 對本次降水過程的降水范圍、空間移動趨勢以及降水強度隨時間演變的臨近預報表現(xiàn)更好。

圖13 2020 年8 月1 日13 時50 分起報10—60 min （a1—a6、b1—b6） 降水臨近預報結(jié)果及降水實況 （c1—c6）（a.交叉相關(guān)外推預報，b.深度學習RainNet 預報，c.相應時間的降水實況）Fig.13 Predictions of TREC （a1—a6） and RainNet （b1—b6） as well as corresponding observations （c1—c6） at 13：50 UTC 1 August 2020 （1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

續(xù)圖13Fig.13 Continued

4.4.3 2020 年8 月15 日個例

圖14 給 出2020 年8 月15 日03 時 起 報10—60 min 降水外推預報結(jié)果。從交叉相關(guān)外推預報（圖14a）結(jié)果來看，03 時10 分—04 時00 分降水向東北方向移動，在移動過程中降水強度變化不大；而深度學習模型的預報（圖14b）則顯示，降水落區(qū)基本保持不變、空間移動不明顯，但降水強度呈現(xiàn)明顯減弱的趨勢。結(jié)合相應時間的降水實況（圖14c）來看，03 時10 分—04 時00 分京津冀東南部地區(qū)有明顯降水，且降水落區(qū)變化不大，但強度隨時間逐漸減弱，整體來看，降水實況與深度學習的臨近預報結(jié)果比較一致。

圖14 2020 年8 月15 日03 時00 分起報10—60 min （a1—a6、b1—b6） 降水臨近預報結(jié)果及降水實況 （c1—c6）（a.交叉相關(guān)外推預報，b.深度學習RainNet 預報，c.相應時間的降水實況）Fig.14 Predictions of TREC （a1—a6） and RainNet （b1—b6） as well as corresponding observations （c1—c6） at 03：00 UTC 15 August 2020 （1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

續(xù)圖14Fig.14 Continued

綜合個例的預報結(jié)果來看，基于交叉相關(guān)的降水外推預報由于采用前面時刻的降水移動矢量進行外推，降水預報場基本保持空間平移，而強度變化不大，更適用于范圍較大的穩(wěn)定性降水。相對而言，深度學習RainNet 可以更好地反映降水消亡過程中的時、空演變趨勢和強度變化，對降水消亡階段的臨近預報具有一定優(yōu)勢。

5 結(jié)論與討論

為改進精細尺度降水臨近預報能力，采用2017—2020 年6—9 月高時、空分辨率降水資料，基于深度學習模型RainNet 開展了京津冀地區(qū)降水臨近預報試驗，與傳統(tǒng)交叉相關(guān)外推預報方法進行對比分析。試驗結(jié)果發(fā)現(xiàn)：

（1）從2020 年6—9 月降水臨近預報的絕對誤差和相關(guān)系數(shù)空間分布來看，深度學習RainNet 模型的整體表現(xiàn)明顯優(yōu)于基于交叉相關(guān)的外推預報，尤其對京津冀南部地區(qū)降水預報絕對誤差改善更加明顯?；赗ainNet 模型預報的相關(guān)系數(shù)與交叉相關(guān)外推預報的相關(guān)系數(shù)空間分布趨勢比較一致，沿著東北—西南方向的平原地區(qū)的相關(guān)系數(shù)較大，西北部山區(qū)的相關(guān)系數(shù)相對較小，但深度學習的相關(guān)系數(shù)整體明顯優(yōu)于交叉相關(guān)外推預報的相關(guān)系數(shù)。

（2）深度學習RainNet 的滾動預報方式對預報性能影響較大。單一模型連續(xù)進行60 min 滾動預報時，30 min 后模型預報性能衰減較快，而通過兩個模型相結(jié)合的滾動預報方式改善了模型在40、50 min 預報的輸入因子，因而提升了RainNet 模型在40、50 min 的臨近預報性能。

（3）從不同預報時效上看，10—60 min 各預報時效上，深度學習預報的絕對誤差和相關(guān)系數(shù)均穩(wěn)定超過交叉相關(guān)外推預報，且隨著預報時效延長，深度學習對絕對誤差和相關(guān)系數(shù)的改進幅度逐漸增大，采用兩個RainNet 模型相結(jié)合進行滾動預報的絕對誤差和相關(guān)系數(shù)均表現(xiàn)最好。

（4）從不同量級降水的預報性能來看，在0.02、0.49、0.69、1.04 mm/（10 min）的降水閾值下，采用兩個RainNet 模型相結(jié)合的滾動預報方式，10—50 min 各時效的臨近預報一致優(yōu)于交叉相關(guān)外推預報，同時，相對于單一RainNet 模型在40—50 min滾動預報也有明顯提升。

（5）個例分析發(fā)現(xiàn)，深度學習對降水消亡過程的時、空演變趨勢預報表現(xiàn)更好，可以更好地刻畫降水衰減過程的移動方向、強度變化及降水范圍，這與其滾動式預報方式有關(guān)，而交叉相關(guān)外推預報更適用于發(fā)展變化不劇烈的穩(wěn)定降水。

此外，深度學習RainNet 模型應用于降水臨近預報還有待于繼續(xù)深入完善。RainNet 模型采用的滾動式預報方式優(yōu)缺點并存，一方面由于其將上一個時刻的預報結(jié)果作為下一個時刻預報的輸入因子將引入誤差，不利于保持長時效滾動預報的準確性，另一方面該滾動預報方式靈活可變，模型便于訓練，因而如何合理設計模型的滾動預報方式將影響其預報能力。另外，深度學習降水預報場相對平滑，這方面也有待于進一步改進。